Яндекс.Метрика
Перейти к контенту

МЕДТЕЛЕКОМ

МЕДТЕЛЕКОМ
Пропустить меню
Title
Пропустить меню
О проекте
Цель проекта «МЕДТЕЛЕКОМ» - снижение врачебных ошибок и пропусков признаков ранних стадий патологий при анализе и дешифровке изображений пациентов.
Инструмент достижения цели – телевизионные алгоритмы видеоаналитики, позволяющие в реальном времени сочетать преимущества визуального и машинного анализа изображений с преимуществами человеческого и искусственного интеллекта при их дешифровке.

При визуальном анализе изображений пациентов от 40 до 60% пропуска малоконтрастных признаков ранних стадий патологий не зависят от квалификации врачей, а определяются характеристиками их зрительного обнаружения /1, 2/.

Рис. 1. Примеры диагностических изображений пациентов.

Для снижения врачебных ошибок и пропусков признаков ранних стадий патологий в системах медицинской визуализации сочетают преимущества визуального и машинного анализа и дешифровки изображений пациентов /3, 4/.

Рис 2. Типовая диагностическая цепочка для систем медицинской визуализации.

Возможны два варианта сочетания преимуществ визуального и машинного анализа и дешифровки изображений пациентов:
1. Использование при распознавании визуальных образов логически непрозрачных алгоритмов «компьютерного зрения» и искусственного интеллекта на «нейронных сетях».
2. Использование логически прозрачных телевизионных алгоритмов видеоаналитики и искусственного интеллекта, имитирующих алгоритмы зрительного обнаружения и распознавания визуальных образов врачами-экспертами.
 
Преимуществами использования в системах медицинской визуализации телевизионных алгоритмов видеоаналитики и искусственного интеллекта являются:
1. Возможность математического моделирования алгоритмов зрительного обнаружения и распознавания визуальных образов признаков патологий врачами-экспертами в исходных и телевизионных изображениях /5/.
2. Возможность многократного увеличения контрастной чувствительности и градационной разрешающей способности телемедицинского комплекса «Телевизионная система – зрение врача» при контрастировании телевизионных изображений и суммирования их шумов в зрительной системе врача. Это позволяет визуализировать в изображениях пациентов еле заметные и скрытые от глаз врача изменения визуальных образов признаков патологий /6/.
3. Единое для пациентов и врачей и единое машинное описание изменений визуальных образов признаков здоровья и патологий в диагностических изображениях пациентов. Это позволяет синтезировать эффективные человеко-машинные алгоритмы анализа и дешифровки диагностических изображений пациентов /7/.
4. Применение логически прозрачных алгоритмов искусственного интеллекта, имитирующих известные алгоритмы зрительного обнаружения и распознавания врачами-экспертами визуальных образов признаков патологий /8/.
5. Единая оценка качества и эффективности решения диагностических задач по изображениям пациентов в координатах точности, времени и цены для визуальных, телевизионных и человеко-машинных технологий. Это позволяет сравнивать клиническую, экономическую и временную эффективность медицинских и телемедицинских технологий /9/.
6. Возможность адаптации под все типовые диагностические задачи – поиску и обнаружению, пространственную локализацию и распознаванию, анализу изменений во времени визуальных образов диагностических признаков в изображениях пациентов с использованием визуальных моделей функционирования жизненно важных органов в норме и при патологиях /10/.
7. Коррекция искажений визуальных образов признаков здоровья и патологий в изображениях пациентов с использованием тестовых фантомов.
8. Возможность выявления и сравнения в реальном времени параметров визуальных образов диагностических признаков здоровья и патологий для принятия решения о стадиях патологий.
9. Возможность выбора различных вариантов человеко-машинной коллаборации для эффективного анализа и дешифровки диагностических изображений пациентов /11/.
10. Возможность синтеза Интернет-центров интеллектуальной поддержки решений пациентов и врачей в реальном времени на основе оценки ожидаемых ими выигрышей в точности, времени и цене решения типовых лечебно-диагностических задач /12/.

Рис. 3. Концепция единой для пациентов и врачей цифровой платформы здравоохранения.

Доступ к ресурсам цифровой платформы здравоохранения с телевизионными алгоритмами видеоаналитики и искусственного интеллекта (врачебные консультации и консилиумы, базы данных и знаний, «подсказки» искусственного интеллекта) для всех групп целевой аудитории на основе принципа «Не навреди!» после предварительного тестирования знаний и навыков пользователей, учёта специфики решаемых ими лечебно-диагностических задач.

Алгоритмы эффективного автоматизированного управления лечебно-диагностическим процессом, начиная с уровня лечащих врачей медицинских организаций и обеспечивающие повышение клинической, экономической и временной эффективности медицинской помощи населению города Тюмени были внедрены в 1998 году /13 — 15/.

Ссылки:
1. Травникова Н.П. Эффективность визуального поиска. М.: Машиностроение, 1985.
2. Джадд Д., Вышецки Г. Цвет в науке и технике. М.: «Мир», 1978 г.
3. Карпов О. Э., Храмов А. Е. Информационные технологии, вычислительные системы и искусственный интеллект в медицине. М.: ДПК Пресс, 2022.
4. ИИ-сервисы в лучевой диагностике [ https://mosmed.ai/ ].
5. Николаев Е.И. Исследование и разработка методов и двухканальных телевизионных систем цветового кодирования полутоновых изображений. Автореферат диссертации на соискание ученой степени кандидата технических наук. Ленинград, ЛЭТИ им. В.И.Ульянова (Ленина), 1989.
6. Николаев Е.И. Потенциальные возможности цветовых контрасторов чёрно-белых телевизионных изображений. «Техника средств связи», сер. «Техника телевидения», 1988, вып. 3, с. 31 — 38.
7. Николаев Е.И. Синтез телекоммуникаций для лучевой диагностики. Вестник Российской Военно-медицинской академии. №4 (28), 2009. Приложение. «Современные возможности лучевой диагностики заболеваний и повреждений в многопрофильном лечебном учреждении». Сборник научных трудов юбилейной научно-практической конференции, посвященной 80-летию основания кафедры рентгенологии и радиологии Военно-медицинской академии им. С.М.Кирова. Санкт-Петербург, 24 — 25 ноября 2009 г, стр. 95, 96.
8. Линденбратен Л.Д. Методика изучения рентгеновских снимков. М.: Медицина, 1971.
9. Николаев Е.И. К единой оценке качества радиологических систем / Сб. науч. трудов. Невский радиологический форум «Новые горизонты» (7-10 апреля 2007). Санкт-Петербург: ЭЛБИ-СПб, 2007, с. 742 — 744.
10. Амосов И.С., Дегтярев В.А., Борисова Л.С., Николаев Е.И. и др. Методика и техника цветовой дешифровки рентгенограмм (Методические рекомендации). Обнинск, НИИ мед. радиологии АМН СССР, 1990.
11. Николаев Е.И. Дешифровка медицинских изображений: проблемы и пути повышения эффективности ранней диагностики. Труды IX Всероссийской научно-практической конференции с международным участием «Здоровье - основа человеческого потенциала: проблемы и пути их решения». СПб.: Изд-во Политехнического ун-та, 2014, Том 9, часть 2, 20 — 22 ноября 2014, с. 473 — 475.
12. Николаев Е.И., Николаева Н.А. Интернет-центры интеллектуальной поддержки решений пациентов и врачей в реальном времени / Сборник проектов конкурса «Всероссийская научная школа «МЕДИЦИНА МОЛОДАЯ» 2022. Москва: Международный фонд развития биомедицинских технологий им. В.П. Филатова, 2023, с. 504 – 512.
13. Тавровский В.М. Лечебно-диагностический процесс: Теория. Алгоритмы. Автоматизация. Тюмень: СофтДизайн, 1997.
14. Тавровский В.М. Автоматизация лечебно-диагностического процесса. ООО «Вектор Бук». Тюмень. 2009.
15. Тавровский В.М. Полвека цифровой трансформации лечебно-диагностического процесса в России (1973 — 2022): Очерки автора медицинской системы управления, Новокузнецк, 2022.
Визуализировать невидимое!
Назад к содержимому